TrackRefiner：基于机器学习的杆状细菌细胞追踪数据优化工具及其在系统生物学中的应用

《npj Systems Biology and Applications》：TrackRefiner a tool for refinement of bacillus cell tracking data

针对单细胞分辨率延时显微镜技术中细菌细胞追踪准确性不足的问题，研究人员开发了TrackRefiner这一后处理工具。该工具通过结合传统追踪方法与机器学习分类器，对Omnipose-CellProfiler输出的追踪结果进行优化，在8个完整数据集中实现了98%以上的错误检测率和57-100%的错误校正率，显著提升了细胞谱系追踪的准确性，为微生物动态研究提供了可靠的技术支持。

　　

在微生物研究领域，单细胞分辨率延时显微镜技术已成为揭示细菌群体动态的强大工具。通过持续观察单个细胞的行为和相互作用，研究人员能够探索细菌如何适应环境、发展抗生素耐药性以及调控基因表达。然而，要从海量的显微镜图像中提取有意义的生物学信息，面临着巨大的技术挑战——特别是如何准确追踪成千上万个细菌细胞随时间的运动轨迹和分裂事件。

当细菌群体密集生长或细胞发生显著移动时，现有的追踪软件往往表现不佳。细胞分割和追踪的准确性受到多种因素影响：成像频率限制、细胞密度、运动模式等。即使采用当前性能最优的Omnipose-CellProfiler组合，在复杂条件下仍会出现相当比例的追踪错误。这些错误会进一步影响下游分析，如细胞周期持续时间计算和谱系关系重建的准确性。

为了解决这一技术瓶颈，由Atiyeh Ahmadi领衔的研究团队开发了TrackRefiner——一款专门用于优化杆状细菌细胞追踪数据的后处理工具。该研究发表在《npj Systems Biology and Applications》上，展示了一种创新的追踪优化方法。

TrackRefiner的设计理念独特，它不直接进行图像分割或初始追踪，而是作为后处理模块对现有追踪结果进行精细化校正。该方法结合了传统生物学启发式规则和机器学习分类器，能够识别并修正多种类型的追踪错误，包括缺失的连接、错误的分裂事件以及不合逻辑的谱系关系。

关键技术方法

研究团队利用Omnipose-CellProfiler的输出作为输入，开发了一套混合算法流程。首先基于细胞尺寸阈值去除分割错误（噪声对象），然后提取多种细胞特征：包括细胞几何特征（长度、方向、伸长率）、位置特征（交并比IoU、邻近指数）、邻居集合变化以及运动方向一致性。算法使用逻辑回归和C-支持向量机三种分类器，通过80/20分层分割训练，采用L2正则化防止过拟合。研究使用了来自四个独立研究团队的八个延时实验数据集（包含159,349个手动标注的链接）进行基准测试，涵盖大肠杆菌和恶臭假单胞菌在琼脂垫和微流体系统中的生长数据。

研究结果

TrackRefiner在不同数据集中的性能表现

通过对11个数据集的系统评估，TrackRefiner在完整延时数据集上表现出色。在Unconstrained1-4和Constrained1-4八个数据集中，错误检测率除一个数据集为80.9%外，其余均超过98%，错误校正率达到57-100%。特别是在细胞运动较小的条件下，追踪准确性提升最为显著。

运动与追踪错误的相关性分析

研究人员深入分析了影响追踪准确性的生物和技术因素。研究发现，细胞帧间运动与追踪错误率呈正相关。角度运动和平移运动的增加都会导致Omnipose-CellProfiler的错误率上升。这一发现通过统计相关性分析得到验证，为理解追踪错误的产生机制提供了重要见解。

谱系连续性性能提升

TrackRefiner在维持细胞谱系连续性方面表现优异。与Omnipose-CellProfiler相比，在所有数据集中，TrackRefiner都能识别并维护更多完整的谱系线。例如，在Unconstrained1数据集中，连续谱系的比例从81.4%提升至98.9%，显著改善了长期动态分析的可靠性。

算法工作流程与错误分类

研究团队详细阐述了TrackRefiner的算法流程，将追踪错误系统分类为：缺失的轨迹链接、缺失的分裂链接、过度分配的分裂链接、冗余分裂链接、交换的轨迹链接以及不合时宜的根或叶分配。针对每类错误，算法采用专门的策略进行识别和校正，如使用专业分类器处理分裂链接，利用线性求和分配方法（LSAM）重新建立连接等。

研究结论与讨论

TrackRefiner成功解决了细菌单细胞追踪中的关键挑战，在不需用户具备机器学习或编程知识的情况下，显著提升了追踪数据的准确性。工具采用即插即用设计，仅需输入成像间隔时间和细胞倍增时间等基本参数，即可自动优化追踪结果。

研究的创新点在于将传统规则与数据驱动方法相结合，既保证了生物学合理性，又充分利用了大数据学习的优势。特别值得关注的是，TrackRefiner的模块化设计使其具有良好的扩展性，未来可适应不同细胞形态和运动模式的研究需求。

然而，研究也指出了当前工具的局限性。TrackRefiner的性能仍依赖于初始分割质量，在分割错误严重或细胞运动过大的情况下效果会打折扣。此外，当前验证仅限于非运动性杆状细菌，向球菌、弧形菌或运动性物种的扩展需要进一步的基准测试和算法调整。

未来，集成图神经网络（GNN）等先进技术，以及增强与其他工具（如Cellpose和DeLTA）的兼容性，将进一步提升TrackRefiner的实用价值。随着成像技术的不断发展，精确的细胞追踪将继续在连接原始显微镜数据与有意义的生物学洞察之间发挥关键作用。

这项研究不仅提出了一个高效的追踪优化工具，还创建了首个针对细菌追踪的基准数据集，为领域内的标准化评估提供了宝贵资源。通过提高单细胞追踪的准确性，TrackRefiner将助力研究人员更深入地理解微生物的动态行为，为控制病原体、优化生物技术过程提供新的见解。